# CASO DE USO: A função pode executar uma tarefa de forma mais fácil e legível

# MODELO: saída <- nome_da_função(entrada)

9 ^ (1 / 2)

x <- sqrt(9)
x

# ==============================================================================

# LIÇÃO: Também podemos usar funções para transformar objetos

y <- 9

sqrt(y)

# ==============================================================================

# LIÇÃO: Podemos até usar funções para transformar o resultado dos cálculos

2 / 3

round(2 / 3)

# ==============================================================================

# LIÇÃO: Podemos personalizar o que uma função faz usando argumentos

# MODELO: saída <- nome_da_função(argumento, nome_do_argumento = valor_do_argumento)


round(2 / 3, digits = 2)

round(2 / 3, digits = 3)

# ==============================================================================

# LIÇÃO: Alguns argumentos são opcionais porque têm valores padrão

round(2 / 3) # the default value for digits is 0

round(2 / 3, digits = 0)

# LIÇÃO: Podemos combinar vários elementos em um vetor

# MODELO: nome_do_vetor <- c(elemento1, elemento2, elemento3)

x <- 4 9 16 25 # error

x <- c(4, 9, 16, 25)
x

y <- c(2, 3)
y

# ==============================================================================

# LIÇÃO: Também podemos combinar vários vetores e elementos

c(x, y)

c(x, y, 20)

# ==============================================================================

# CASO DE USO: Operadores matemáticos transformarão cada elemento individualmente

x + 1

x * 3

x # mas, novamente, isso não será salvo a menos que você use atribuição

# ==============================================================================

# CASO DE USO: Algumas funções também transformarão cada elemento individualmente

sqrt(x)

log(x)

# ==============================================================================

# CASO DE USO: Outras funções resumirão o vetor com um único número

length(x)

sum(x)

mean(x)

# CASO DE USO: Strings são a principal maneira de armazenar dados de caracteres em R
 
my_color <- red # error

my_color <- "red" # correto

# ==============================================================================

# CASO DE USO: Strings também podem armazenar símbolos não permitidos em nomes de objetos

dye <- "red#40"
dye

dyes <- c("red#40", "blue#02")
dyes

# ==============================================================================

# ARMADILHA: Muitas operações que você pode fazer com números não funcionarão para strings

dyes + 1 # error

mean(dyes) # error

# ==============================================================================

# CASO DE USO: Mas outras operações funcionam para ambos ou mesmo apenas para strings

length(dyes)

nchar(dyes)

dyes2 <- toupper(dyes)
dyes2

# CASO DE USO: O pacote stringr adiciona uma função para corrigir a capitalização

students <- c("mary anne", "BENjamin", "Lee")

# ==============================================================================

# ARMADILHA: Mas não podemos usar essa função sem instalar o pacote

str_to_title(students) # error

# ==============================================================================

# LIÇÃO: Instalando um pacote usando RStudio

# - RStudio > Extras pane > Packages tab > Install button

# ==============================================================================

# ARMADILHA: Também precisamos carregar o pacote antes de podermos usá-lo

str_to_title(students) # error

# ==============================================================================

# LIÇÃO: Carregamos o pacote usando library()

library("stringr")
str_to_title(students) # pronto isso funciona!

# ==============================================================================

# LIÇÃO: Também podemos manter nossos pacotes atualizados usando o RStudio

# RStudio > Extras pane > Packages tab > Update button

# CONFIGURAÇÃO: Instale e carregue o pacote tidyverse

# Extras pane > Packages tab > Install

library(tidyverse)

# ==============================================================================

# LIÇÃO: Crie um tibble a partir de vetores

x <- c(10, 20, 30, 40)
x

y <- x * 2 - 4
y

my_tibble <- tibble(x, y)
my_tibble

# ==============================================================================

# CASO DE USO: Você pode misturar diferentes tipos de vetores em um único tibble

first_names <- c("Adam", "Billy", "Caitlyn", "Debra")

age_years <- c(12, 13, 10, NA)

guests <- tibble(first_names, age_years)
guests

# ==============================================================================

# DICA: Para economizar tempo, você também pode criar os vetores na chamada tibble

gradebook <- tibble(
  grade = c(95, 83, 90, 76),
  letter = c("a", "b", "a-", "c")
)
gradebook

# ==============================================================================

# ARMADILHA: Não tente combinar tibbles com comprimentos diferentes

y <- c(1, 2, 3)
x <- c("a", "b")

tibble(y, x) #error

# ==============================================================================

# LIÇÃO: No entanto, a exceção é que R irá "reciclar" um único valor

tibble(y, x = "a")

# ==============================================================================

# LIÇÃO: Você pode "extrair" um vetor de um tibble usando $

mytibble <- tibble(x = c(1, 2, 3, 4, 5), y = "test")

mytibble$x

mytibble$y

# ==============================================================================

# ARMADILHA: Não tente extrair um vetor que não existe

mytibble$z #error

# CONFIGURAÇÃO: Carregue o pacote tidyverse (se ainda não o fez)

library(tidyverse)

# ==============================================================================

# CASO DE USO: Crie um tibble e grave-o em um arquivo

gradebook <- tibble(
  id = c(123, 456, 789),
  grade = c("A", "B", "A")
)
gradebook

write_csv(gradebook, file = "gradebook.csv")

# NOTA: Você pode ver o novo arquivo no painel Extras > aba Arquivos.
# Você pode abrir o arquivo em outro programa (por exemplo, Microsoft Excel).
# Você também pode enviar este arquivo por e-mail para outra pessoa para compartilhá-lo.

# ==============================================================================

# ARMADILHA: Não troque a ordem do tibble e do file

write_csv("gradebook.csv", gradebook) # error

# ==============================================================================

# CASO DE USO: Ler em um arquivo contendo dados

old_gradebook <- read_csv("gradebook.csv")
old_gradebook

# NOTA: read_csv() examinará e adivinhará o tipo de dado de cada variável.
# Você pode dizer a ele o tipo de dado de cada variável, mas isso é mais avançado.

# ==============================================================================

# ARMADILHA: Não use as funções read.csv() e write.csv()

old_gradebook <- read.csv("gradebook.csv") # not a tibble
old_gradebook

# CONFIGURAÇÃO: Carregar pacote e inspecionar exemplo tibble

library(tidyverse) # inclui o pacote dplyr
starwars

# ==============================================================================

# CASO DE USO: Reter apenas as variáveis especificadas

sw <- select(starwars, name)
sw
sw <- select(starwars, name, sex, species)
sw

# ==============================================================================

# ARMADILHA: Não esqueça de salvar a alteração com a atribuição

select(starwars, name, sex, species)
starwars # ainda inclui todas as variáveis

# ==============================================================================

# CASO DE USO: Reter todas as variáveis entre duas variáveis

sw <- select(starwars, name, hair_color:eye_color)
sw

# ==============================================================================

# CASO DE USO: Reter todas as variáveis, exceto as especificadas

sw <- select(starwars, -sex, -species)
sw
sw <- select(starwars, -c(sex, species))
sw
sw <- select(starwars, -c(hair_color:starships))
sw

# CONFIGURAÇÃO: Criar exemplo tibble

patients <- tibble(
  id = c("S1", "S2", "S3"),
  feet = c(6, 5, 5),
  inches = c(1, 7, 2),
  pounds = c(176.3, 124.9, 162.6)
)
patients

# ==============================================================================

# CASO DE USO: Adicionar uma ou mais variáveis

p2 <- mutate(patients, sex = c("M", "F", "F"))
p2

ages <- c(32, 41, 29)
p2 <- mutate(patients, ages = ages)
p2

p2 <- mutate(
  patients, 
  sex = c("M", "F", "F"), 
  ages = ages
)
p2

# ==============================================================================

# CASO DE USO: Calcular variáveis

p2 <- mutate(patients, height = feet + inches / 12)
p2

p2 <- mutate(patients, ln_pounds = log(pounds))
p2

# ==============================================================================

# CASO DE USO: Substituir variáveis

patients <- mutate(patients, height = height / 3.281)
patients

# ==============================================================================

# CASO DE USO: Variáveis duplicadas

p2 <- mutate(patients, weight = pounds)
p2 # tanto peso quanto libras existem

# CASO DE USO: Alterar o nome de uma ou mais variáveis

starwars

sw <- rename(starwars, Character = name)
sw

sw <- rename(starwars, height_cm = height, mass_kg = mass)
sw

# ==============================================================================

# ARMADILHA: Não troque a ordem e tente old_name = new_name

sw <- rename(starwars, name = Character) # error

# ==============================================================================

# CASO DE USO: Mover variáveis antes ou depois de outra variável

starwars

sw <- relocate(starwars, species, sex, .before = height)
sw

sw <- relocate(starwars, species, sex, .after = name)
sw

# ==============================================================================

# ARMADILHA: Não se esqueça do ponto final!

sw <- relocate(starwars, sex, before = height) 
sw # altura foi renomeada acidentalmente para antes

# CASO DE USO: Classificar observações por uma variável

starwars

sw <- arrange(starwars, height)
sw # classificado por altura, crescente

sw <- arrange(starwars, name)
sw # classificado por nome, em ordem alfabética

# ==============================================================================

# CASO DE USO: Classificar observações por uma variável, em ordem reversa

sw <- arrange(starwars, desc(height))
sw # classificado por altura, decrescente

sw <- arrange(starwars, desc(name))
sw # classificado por nome, em ordem alfabética reversa

# ==============================================================================

# CASO DE USO: Classificar observações por múltiplas variáveis

sw <- arrange(starwars, hair_color, mass)
sw # classificado por cor do cabelo, então os empates são quebrados por massa

# CASO DE USO: Reter apenas observações que atendem a um critério

sw <- filter(starwars, mass > 100)
sw # apenas observações com massa maior que 100

sw <- filter(starwars, mass <= 100)
sw # apenas observações com massa menor ou igual a 100

sw <- filter(starwars, species == "Human")
sw # apenas observações com espécies iguais ao Humano

sw <- filter(starwars, species != "Human")
sw # apenas observações com espécies diferentes do Humano

# ==============================================================================

# ARMADILHA: Não tente usar um único = para testar igualdade

sw <- filter(starwars, height = 150) # error

sw <- filter(starwars, height == 150) # correct
sw 

# ==============================================================================

# ARMADILHA: Não se esqueça de que R diferencia maiúsculas de minúsculas

sw <- filter(starwars, species == "human")
sw # nenhuma observação restante (porque deveria ser Humano)

# ==============================================================================

# CASO DE USO: Reter apenas observações que atendem a critérios complexos

sw <- filter(starwars, mass > 100 & height > 200)
sw # apenas observações com massa acima de 100 E altura acima de 200

sw <- filter(starwars, height < 100 | hair_color == "none")
sw # somente observações com altura menor que 100 OU hair_color igual a nenhum

# ==============================================================================

# ARMADILHA: Não se esqueça de preencher as duas condições

sw <- filter(starwars, mass > 100 & < 200) # error

sw <- filter(starwars, mass > 100 & mass < 200) # correto
sw

# ==============================================================================

# ARMADILHA: Não tente igualar uma string a um vetor

sw <- filter(starwars, species == c("Human", "Droid")) # error

sw <- filter(starwars, species %in% c("Human", "Droid")) # correct
sw

# CONFIGURAÇÃO: Habilitar o atalho do operador de pipe

# Tools > Global Options... > Code tab > Check "Use Native Pipe Operator"

# Digite |> ou pressione Ctrl+Shift+M (Windows) / Cmd+Shift+M (Mac)

# ==============================================================================

# LIÇÃO: O pipe envia objetos para uma função como seu primeiro argumento

# MODELO: x |> function_name() é o mesmo que function_name(x)

x <- 10

y <- sqrt(x)
y

y <- x |> sqrt()
y

# ==============================================================================

# ARMADILHA: Não se esqueça de remover o objeto da chamada de função

x |> sqrt(x) # wrong

x |> sqrt() # correto

# ==============================================================================

# CASO DE USO: Você ainda pode usar argumentos ao canalizar

z <- round(3.14, digits = 1)
z

z <- 3.14 |> round(digits = 1)
z

# ==============================================================================

# USECASE: Pipes são úteis com tibbles e funções para data wrangling

starwars

sw <- select(starwars, name, species, height)
sw

sw <- starwars |> select(name, species, height)
sw

# ==============================================================================

# ARMADILHA: Não adicione um pipe sem um passo depois dele

sw <- starwars |> select(name, species, height) |> # error

# CASO DE USO: Você pode encadear vários pipes para criar um pipeline

x <- 10 |> sqrt() |> round()
x

# ==============================================================================

# DICA: Se você quiser ver a saída de um pipeline, você pode canalizar para print()

x <- 10 |> sqrt() |> round() |> print()

# ==============================================================================

# DICA: Para tornar seus pipelines mais legíveis, mova cada etapa para uma nova linha

x <- 
  10 |> 
  sqrt() |> 
  round() |>
  print()

# ==============================================================================

# ARMADILHA: Não coloque o pipe no início de uma linha

x <- 
  10 
  |> sqrt()
  |> round()
  |> print() # error

# ==============================================================================

# CASO DE USO: Encadeie uma série de verbos para controlar dados de forma flexível

tallones <- 
  starwars |> 
  select(name, species, height) |> 
  rename(height_cm = height) |> 
  mutate(height_ft = height_cm / 30.48) |>  
  filter(height_ft > 7) |> 
  arrange(desc(height_ft)) |>  
  print()

# CASO DE USO: Peça a 10 crianças para pedirem 1: nuggets, 2: pizza ou 3: salada

food <- c(2, 2, 1, 2, 1, 2, 1, 1, 2, 2)
food

# ==============================================================================

# LIÇÃO: Podemos transformar esse vetor em um fator com a função factor()

food2 <- factor(food, levels = c(1, 2, 3))
food2

food3 <- factor(food, levels = c(1, 2, 3),
                labels = c("nuggets", "pizza", "salad"))
food3

# ==============================================================================

# CASO DE USO: Também podemos contar cada nível de forma rápida e fácil com a função table()

table(food3)

# ==============================================================================

# ARMADILHA: Não confunda níveis e rótulos (level/label)

food4 <- factor(food, labels = c(1, 2, 3),
                levels = c("nuggets", "pizza", "salad"))
food4 # cheio de <NA> porque não consegue encontrar esses níveis

# ==============================================================================

# CASO DE USO: Você também pode simplesmente inserir strings diretamente (como auto-rótulos)

genre <- c("pop", "metal", "pop", "rock", "rap", "rap", "pop", "rock")
genre

genre2 <- factor(genre) # os níveis observados serão atribuídos em ordem alfabética
genre2

table(genre2)

# ==============================================================================

# LIÇÃO: Se ordinal, insira os níveis de baixo para alto e adicione ordenado = VERDADEIRO

salsa <- c("hot", "mild", "medium", "mild", "medium", "medium")

salsa2 <- factor(salsa, 
                 levels = c("mild", "medium", "hot"), 
                 ordered = TRUE)
salsa2 

# NOTA: Podemos querer visualizar ou modelar fatores ordinais de forma diferente

# ==============================================================================

# CASO DE USO: Trabalhando com fatores em um tibble

cereal <- read_csv("cereal.csv")
cereal

cereal2 <- mutate(cereal, mfr = factor(mfr), type = factor(type))
cereal2

table(cereal2$mfr)

table(cereal2$type)

# CONFIGURAÇÃO: Precisaremos do tidyverse para as funções de leitura e mutação

library(tidyverse)

# ==============================================================================

# ARMADILHA: Códigos numéricos para ausências irão atrapalhar os cálculos em R

heights <- c(149, 158, -999) # aqui usamos -999 para representar um valor ausente

range(heights)

mean(heights)

log(heights) # nosso valor ausente não é mais -999

# ==============================================================================

# CASO DE USO: Use NA para ausência em vez disso

heights2 <- c(149, 158, NA)
heights2

log(heights2) # a NA continuou sendo NA (devido à contagiosidade)

# ==============================================================================

# LIÇÃO: Use na.rm = TRUE para fazer uma função de resumo ignorando os NAs

mean(heights2) # a média é um NA (devido à contagiosidade)

mean(heights2, na.rm = TRUE)

range(heights2, na.rm = TRUE)

# ==============================================================================

# CASO DE USO: Lidando com valores ausentes em tibbles

cereal <- read_csv("cereal.csv")

cereal$rating

range(cereal$rating)

# ==============================================================================

# LIÇÃO: Use na_if() para converter valores específicos para NA durante a modificação

cereal2 <- cereal %>% mutate(rating = na_if(rating, -999))

cereal2$rating

range(cereal2$rating, na.rm = TRUE)

# ==============================================================================

# LIÇÃO: Use read_csv(na) para converter valores específicos para NA durante a leitura

cereal3 <- read_csv("cereal.csv", na = "-999")

cereal3$rating

range(cereal3$rating, na.rm = TRUE)

# CONFIGURAÇÃO: Precisaremos do tidyverse e de um conjunto de dados de exemplo

library(tidyverse)

sales <- 
  tibble(
    customer = c(1, 2, 3, 1, 3),
    store = c("A", "A", "A", "B", "B"),
    items = c(25, 20, 16, 10, 5),
    spent = c(685, 590, 392, 185, 123)
  ) |> 
  print()

# ==============================================================================

# CASO DE USO: Resuma as vendas típicas

my_summary <- 
  sales |> 
  summarize(
    avg_items = mean(items),
    avg_spent = mean(spent)
  ) |> 
  print()

# ==============================================================================

# ARMADILHA: Não use summary() em vez de summarise()

my_summary <- 
  sales |> 
  summary(
    avg_items = mean(items),
    avg_spent = mean(spent)
  ) |> 
  print() # não é um tibble

# ==============================================================================

# CASO DE USO: Use mais de uma função de resumo

my_summary <- 
  sales |> 
  summarize(
    total_items = sum(items),
    total_spent = sum(spent),
    avg_items = mean(items),
    avg_spent = mean(spent)
  ) |> 
  print()

# ==============================================================================

# CASO DE USO: Usar funções de contagem

my_counts <- 
  sales |> 
  summarize(
    n_sales = n(),
    n_customers = n_distinct(customer),
    n_stores = n_distinct(store)
  ) |> 
  print()

# CONFIGURAÇÃO: Precisaremos do tidyverse e de um conjunto de dados de exemplo

library(tidyverse)

sales <- 
  tibble(
    customer = c(1, 2, 3, 1, 3),
    store = c("A", "A", "A", "B", "B"),
    items = c(25, 20, 16, 10, 5),
    spent = c(685, 590, 392, 185, 123)
  ) |> 
  print()

# ==============================================================================

# LIÇÃO: Passamos um tibble por group_by para agrupá-lo

sales

sales |> group_by(store) # observe que o display diz "agrupado"

# ==============================================================================

# CASO DE USO: Podemos então resumir e obter estatísticas por grupo

sales |> 
  group_by(store) |> 
  summarize(
    customers = n_distinct(customer),
    items_sold = sum(items),
    total_sales = sum(spent),
    avg_items = mean(items),
    avg_spent = mean(spent)
  )

# ==============================================================================

# CONFIGURAÇÃO: Vamos obter um conjunto de dados maior e mais realista

# Extra pane > Packages tab > Install > nycflights13

library("nycflights13")

flights

# ==============================================================================

# CASO DE USO: Encontre a transportadora com os menores atrasos médios

flights |> 
  group_by(carrier) |> 
  summarize(m_delay = mean(dep_delay, na.rm = TRUE)) |> 
  arrange(m_delay)

# ==============================================================================

# LIÇÃO: Também podemos agrupar por múltiplas variáveis

# CASO DE USO: Vamos encontrar o dia do ano com mais voos

flights |> 
  group_by(month, day) |> 
  summarize(n_flights = n()) |> 
  arrange(desc(n_flights))

# CONFIGURAÇÃO: Precisaremos do tidyverse e de um conjunto de dados de exemplo

library(tidyverse)

mpg

# ==============================================================================

# LIÇÃO: Primeiro, defina os dados para um tibble
p <- ggplot(data = mpg)
p

# ==============================================================================

# LIÇÃO: Em seguida, defina os mapeamentos estéticos com a função aes()

p <- ggplot(data = mpg, mapping = aes(x = displ, y = hwy))
p

# ==============================================================================

# DICA: Você pode usar aes() diretamente sem o argumento mapping

p <- ggplot(mpg, aes(x = displ, y = hwy))
p

# ==============================================================================

# LIÇÃO: Em seguida, defina as escalas posicionais

p <- ggplot(mpg, aes(x = displ, y = hwy)) +
  scale_x_continuous(
    name = "Engine Size (in liters)", 
    limits = c(1, 7), 
    breaks = 1:7
  ) +
  scale_y_continuous(
    name = "Highway Fuel Efficiency (in miles/gallon)",
    limits = c(10, 50),
    breaks = c(10, 20, 30, 40, 50)
  )
p

# ==============================================================================

# LIÇÃO: Por fim, adicione um ponto geométrico (geom)

p <- 
  ggplot(mpg, aes(x = displ, y = hwy)) + 
  scale_x_continuous(
    name = "Engine Size (in liters)", 
    limits = c(1, 7), 
    breaks = 1:7
  ) +
  scale_y_continuous(
    name = "Highway Fuel Efficiency (in miles/gallon)",
    limits = c(10, 50),
    breaks = c(10, 20, 30, 40, 50)
  ) +
  geom_point()

# ==============================================================================

# DICA: Se você deixar de fora as escalas, o R tentará adivinhar

p <- ggplot(mpg, aes(x = displ, y = hwy)) + geom_point()
p

# ==============================================================================

# LIÇÃO: Também podemos personalizar o geom com argumentos

p <- ggplot(mpg, aes(x = displ, y = hwy)) + 
  geom_point(color = "red", shape = "square", size = 2)
p

# CONFIGURAÇÃO: Precisaremos do tidyverse e de um conjunto de dados de exemplo

library(tidyverse)

mpg

# ==============================================================================

# CASO DE USO: Adicionar uma geometria suave (geom_smooth), ou seja, linha de melhor ajuste. 

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point() +
  geom_smooth()

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point() +
  geom_smooth(method = "lm")

# ==============================================================================

# CASO DE USO: Adicionar uma linha geom (ou seja, pontos de conexão)

economics

ggplot(economics, aes(x = date, y = unemploy)) + 
  geom_point()

ggplot(economics, aes(x = date, y = unemploy)) + 
  geom_point() +
  geom_line(color = "orange", size = 1)

ggplot(economics, aes(x = date, y = unemploy)) + 
  geom_line(color = "orange", size = 1) +
  geom_point()

# ==============================================================================

# CASO DE USO: Adicionar linhas de referência geométricas

ggplot(economics, aes(x = date, y = unemploy)) + 
  geom_hline(yintercept = 0, color = "orange", size = 1) +
  geom_line(color = "blue", size = 1) +
  geom_point()

ggplot(economics, aes(x = date, y = unemploy)) + 
  geom_vline(xintercept = 7.5, color = "orange", size = 1) +
  geom_line(color = "blue", size = 1) +
  geom_point() 

ggplot(economics, aes(x = date, y = unemploy)) + 
  geom_abline(intercept = 4000, slope = 0.5, color = "orange", size = 1) +
  geom_line(color = "blue", size = 1) +
  geom_point() 

# CONFIGURAÇÃO: Precisaremos do tidyverse e de um conjunto de dados de exemplo

library(tidyverse)

mpg

# ==============================================================================

# CASO DE USO: Escalas de cores contínuas funcionam bem com variáveis numéricas

ggplot(mpg, aes(x = hwy, y = cty, color = displ)) +
  geom_point(size = 4)

ggplot(mpg, aes(x = hwy, y = cty, color = displ)) +
  geom_point(size = 4) +
  scale_color_continuous(type = "viridis")

# ==============================================================================

# CASO DE USO: Use uma escala de cores discreta com variáveis categóricas

ggplot(mpg, aes(x = displ, y = hwy, color = drv)) +
  geom_point()

ggplot(mpg, aes(x = displ, y = hwy, color = drv)) +
  geom_point() +
  scale_color_discrete(
    name = "Drivetrain", 
    breaks = c("4", "f", "r"), 
    labels = c("Four Wheel", "Front Wheel", "Rear Wheel")
  )

# ==============================================================================

# ARMADILHA: Não se esqueça de definir variáveis categóricas como fatores

ggplot(mpg, aes(x = displ, y = hwy, color = cyl)) + 
  geom_point() # o R supõe que você quer uma escala contínua

ggplot(mpg, aes(x = displ, y = hwy, color = factor(cyl))) + 
  geom_point() + 
  scale_color_discrete(name = "Cylinders")

# ==============================================================================

# LIÇÃO: Defina a estética de cor de um geom para que ele sempre tenha essa cor

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(color = "red")

# ==============================================================================

# ARMADILHA: No entanto, faça isso dentro de geom() e não de aes()

ggplot(mpg, aes(x = displ, y = hwy, color = "blue")) + 
  geom_point()  # não intencional

# ==============================================================================

# LIÇÃO: Se você definir e mapear a cor, vai dar bom.

ggplot(mpg, aes(x = displ, y = hwy, color = drv)) + 
  geom_point(color = "blue") 

# CONFIGURAÇÃO: Precisaremos do tidyverse e de um gráfico de exemplo

library(tidyverse)

p <- 
  ggplot(mpg, aes(x = displ, y = hwy, color = drv)) + 
  geom_point() +
  labs(title = "Fuel Efficiency")
p

# ==============================================================================

# CASO DE USO: Aplicar um tema "completo"

p + theme_bw()

p + theme_classic()

p + theme_dark()

# ==============================================================================

# LIÇÃO: Controle mais preciso, podemos usar theme()

p + theme(legend.position = "top")

p + theme(plot.title = element_text(color = "purple", face = "bold"))

p + theme(panel.grid = element_blank())

# OBSERVAÇÃO: Há muitos elementos para aprender, então leia a documentação!

# CONFIGURAÇÃO: Precisaremos do tidyverse e de um gráfico de exemplo

library(tidyverse)

p <- ggplot(mpg, aes(x = displ, y = hwy)) + 
  geom_point() + geom_smooth() +
  labs(x = "Engine Displacement", y = "Highway MPG")
p

# ==============================================================================

# CASO DE USO: Salvar um objeto ggplot específico em um arquivo

ggsave(filename = "pfinal.png", plot = p)

# ==============================================================================

# LIÇÃO: Especifique o tamanho do arquivo a ser criado

ggsave(filename = "pfinal2.png", plot = p, 
       width = 6, height = 3, units = "in")

# ==============================================================================

# LIÇÃO: Basta alterar a extensão para criar um tipo de arquivo diferente

ggsave(filename = "pfinal2.pdf", plot = p, 
       width = 6, height = 3, units = "in")

# ==============================================================================

# ARMADILHA: Criar um arquivo muito grande pode resultar em texto pequeno

ggsave(filename = "p_poster.png", plot = p, 
       width = 12, height = 8, units = "in")

# ==============================================================================

# DICA: Você pode aumentar rapidamente o tamanho do texto usando base_size

p2 <- p + theme_grey(base_size = 24)

ggsave(filename = "p_poster2.png", plot = p2,
       width = 12, height = 8, units = "in")